RNN模型及NLP应用（5/9）——多层RNN、双向RNN、预训练
声明：
本文基于哔站博主【Shusenwang】的视频课程【RNN模型及NLP应用】，结合自身的理解所作，旨在帮助大家了解学习NLP自然语言处理基础知识。配合着视频课程学习效果更佳。
材料来源：【Shusenwang】的视频课程【RNN模型及NLP应用】
视频链接：
RNN模型与NLP应用(5/9)：多层RNN、双向RNN、预训练_哔哩哔哩_bilibili
一、学习目标
1.了解什么是多层RNN、双向RNN、预训练
2.学会代码实现多层RNN、双向RNN、预训练
3.2.清楚这三种RNN模型的底层逻辑
二、多层RNN、双向RNN、预训练
1.多层RNN
将RNN堆叠起来构成深度RNN神经网络，以下为示意图：
神经网络每一步都会更新状态h，每一个状态向量h都有两个copies，一个输出，一个用来传给下一节点。这一层输出的h，用于上一层的输入。以此类推，第二层的状态向量一个用来传给下一个时间点，另一个用来作为第三层的输入。
最后一层的ht是最终的输出。
代码实现：
上图中红色方框标记处：用了三个LSTM层，第一层return_sequence=true,第一层LSTM的输出需要作为第二层的输入；第二层return_sequence=true,第二层LSTM的输出需要作为第三层的输入，而第三层return_sequence=flase,第三层LSTM的输出为最终输出。
2.双向RNN
训练两条RNN，一条从左往右输出，一条从右往左输出。
同一个输入X同时输给两条RNN，两条RNN互相独立，互不影响。
如果有多条RNN，那么将最上面的内一行的y作为输入再传给下一条RNN。
最后只取左右两边的ht和ht'，如下图：
代码实现：
要实现双向RNN，则需要导入Bidirectional层，然后在标准的LSTM外套一个Bidirectional层即可
3.预训练
预训练在深度学习中非常常用，比如在训练卷积神经网络中，如果网络足够大，但数据集不够大，
这时候你就可以在Imagenet（大规模的注释图像数据库）上做预训练，这样可以让神经网络有更好的初始化，也可以避免overfitting（过拟合）
训练RNN的时候也是这个道理
如上图所示，这个RNN模型的embedding层有320000个参数，那么在数据集很小的情况下，该模型很可能会产生过拟合。
那么RNN预训练具体是这么做的：
【首先】要找到一个足够大的数据集，可以是情感芬妮下的数据集，也可以是其他类型的数据，但是任务最好是接近原来情感分析的任务，最好是学出来的词向量带有正面或负面的情感词。两个任务越相似，预训练出来的transform(表现)就会越好。这个神经网络的结构是什么样的都可以，只要他有embedding层就行。
【其次】就是要在大数据集上训练这个神经网络，训练好后把上面的层丢掉，只保留eembedding层和训练好的模型参数
【最后】再搭建我们自己的RNN模型
新的RNN层和全连接层的参数都是随机初始化的，而下面的embedding层是预训练出来的，要把embedding层固定住，不要训练embedding层
三、总结
①能用SimpleRNN的情况下，肯定可以用LSTM，LSTM的效果要比Simple RNN好，因此我们应该都用LSTM
②提升RNN效果的方式之一就是使用双向RNN，双向RNN比单向的训练效果好。
③多层RNN的容量比单层大，如果训练数据比较多，那么多层的RNN训练效果比单层的好
④RNN的embedding层中参数往往都很多，那么在数据集较小的情况下，训练可能会出现over fitting（过拟合），因为我们就需要在大数据集上先进行预训练。